Характеристики

Контекст: 600 токенов
Лицензия: MIT
Архитектура: speecht5 · dense
Базовая модель: speecht5_tts
Библиотека: transformers
Опубликована: 8 авг 2026

Ссылки

Hugging Face

speecht5_tts-pld-pam

sapinsapin

Синтез речиТекст → аудио3 профессии

Дообученная на корпусе sapinsapin/pld модель SpeechT5 для синтеза речи на языке pam.

27скачиваний за 30 дней0лайковвеса обновлены8 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

sapinsapin/speecht5_tts-pld-pam — модель синтеза речи из текста на основе SpeechT5 от Microsoft, дообученная автором репозитория на наборе данных sapinsapin/pld. Обучение включало 1000 шагов на 1779 аудиофрагментах; для генерации речи используется conditioning по x-vector диктора и вокодер microsoft/speecht5_hifigan.

Модель предназначена для преобразования текста в речь на языке pam. Репозиторий содержит примеры синтеза для прослушивания. В карточке указана лицензия MIT. Оценка eval_loss составляет 0,4330; данных для вывода о естественности речи или сравнительного качества недостаточно.

Сценарии применения

озвучивание текста на языке pam
создание речевых примеров для прототипа приложения
синтез аудио для контента на языках Филиппин

Ограничения

Дообучение проведено на 1779 аудиофрагментах за 1000 шагов, поэтому качество и разнообразие произношения могут быть ограничены данными обучения. В README приведена только оценка eval_loss, без сравнительной оценки качества синтеза.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.9Универсальные способностиАудио и музыкаAI помогает анализировать, очищать, преобразовывать и создавать звук и музыку.15 задач4 835моделей I.15Универсальные способностиДоступность и ассистивные технологииAI помогает делать цифровую и физическую среду доступнее для людей с различными ограничениями.17 задач8 953модели I.6Универсальные способностиПеревод и языковая адаптацияAI помогает переносить смысл между языками, форматами и культурными контекстами.16 задач16 710моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

speecht5_tts-pld-pam

microsoft/speecht5_tts finetuned on sapinsapin/pld.

Trained for 1000 steps on 1779 clips (batch 4×8, lr 1e-05, fp32 + gradient checkpointing). Synthesized listen-test samples are in samples/ (speechbrain x-vector speaker conditioning + microsoft/speecht5_hifigan vocoder).

metric	value
eval_loss	0.4330

Trained with finetune_tts.py from the halohalo pipeline; the dataset adapter normalizes each corpus to (audio@16k, text, speaker_id) so corpora are swappable with a --dataset flag.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Репозиторий недоступен на Hugging Face.

Класс архитектуры: SpeechT5ForTextToSpeech
Ревизия весов: 3ca7cf3